黄江吉_小米黄江吉的贡献_黄江吉微博(6)

KK：这里可能有两个角度，不同角度会得出不同的结论。一个是从行业投资人的角度，来看技术公司的发展。这个角度我们先不谈了。另一个角度是从产品公司的角度看。我们首先觉得，越多这样的技术选择，我们越欢迎。那么刚才雷鸣老师问了，有些业务其实是很核心的，比如NLP，你们小米不做吗？当然做。但是从技术评测的角度来看，我们不认为内部做出的技术和外面的有何不同。我们始终会选择最好的技术提供者。虽然我们花费了资源来做这件事情，但除非内部团队比第三方做得更好，否则我们会毫不犹豫地选择第三方的技术或产品。我认为以前很多大企业都有这样的弊病，他们花了钱花了力气去做一项技术，就因为做了，所以就一定要用，哪怕做的不好。这样就好像被内部的技术团队了。而越是这样，内部团队可能就做的越不好，因为缺乏市场竞争。而使用了不好的技术，最终也会使你企业的产品力下降。有些技术我们当然要去学习、去做，但如果不如第三方，我们不会犹豫。正因为这样，我们发现我们自己的技术团队才越做越好，因为这样才有压力。我们给了他们更好的资源和扶持，他们理应做得比别人好才对，如果没有，那只能怪自己的能力。我认为只有这样，才能保持竞争力。

雷：看来内部竞争也是很激烈的。

KK：才有动力！！

雷：关于深度学习，你们现在主要是在云上做的，那么有没有计划，或者说已经开始在端上考虑插入深度学习的模块，或者说芯片呢？

KK：这是个很有意思的问题，我们反复也在讨论这件事情。我们的考虑主要是：1.因为深度学习离不开大数据，所以AI的家最终肯定还是在云端，这是前提；2.当你为了不断提升用户体验，你经常需要把云端的AI能力或者是经过训练的模型在端上执行。我认为这是一个平衡。当你需要在本地进行零延迟的运算或者是提升用户体验时，确实需要AI的本地化。黄江吉数据在云端，但是怎么做加速等等这些事情，本地优化提升的空间是巨大的。在芯片层面能做的事情也很多。

雷：这个讲得很好。上次余凯也讲到，当对反应时间有特别高的要求时，比如自动驾驶，如果这个处理也回到云再回到车里，时间就来不及了。另外还有一种说法就是在云上训练，训练和压缩完毕之后把模型直接放在端上，直接实施就可以了。然后定期update这个模型，这也是一种策略。

KK：对，当它有很多很多source，需要做很多判断的时候，会有一个局限。

雷：好。这个问题是咱们的同学问的：因为智能家居的发展，物联网的发展，必然伴随着数据隐私的问题。想请问一下，你是怎么看这个问题的？

KK：很好的问题。我的回答就是：如果把安全性作为第一优先级的事情去做的话。机器学习，可能会提供比以往任何时代都安全的信息服务。因为以前是人去处理数据，和这些数据打交道，而我们的发展方向是，只有机器去看这些数据，只有机器去处理这些数据。在机器看来，全部的数据是一个大的归类，它不是到具体某个人的Identity去操作。这样就避免了人为的错误。这是其一。其二就是我们要尊重数据，把数据分成不同的维度，比如哪些是隐私数据，哪些是和隐私信息关系不大的环境数据、通用数据，哪些是需要用户授权才可以使用的数据，哪些是任何时候都不可以使用的数据。我们要把这些数据分得非常清楚。尊重游戏规则，当我们要为你扩展一个功能，需要你的一些数据的时候，会跟你协商清楚，会用到你哪些数据，怎么用。同时有一些数据是只有你可以访问的，你有密钥才能访问自己的私人数据。如果你忘了的话，我们都帮不了你，没有机器能够再访问那个数据。我觉得要做到这一点。有时大家会探讨一些深刻的问题，比如随着技术发展，机器都变得不可控了。我想如果我们现在连数据的安全性这样的问题都保证不了的话，我们也就先不要去考虑超级智能的威胁这样的问题了。

雷：好的，谢谢！！

KK：谢谢大家！

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/ruanjian/article-43450-6.html